🧠 模型發佈/更新
1. Liquid AI 發佈 LFM2.5 系列 QAD Q4_0 量化檢查點，恢復 97% 精度損失
Liquid AI 發佈基於量化感知蒸餾（QAD）訓練的 LFM2.5-230M、350M、1.2B-Instruct 和 2.6B 四款 Q4_0 GGUF 檢查點，在保持原生 Q4_0 內存與速度的同時，恢復 BF16 平均精度損失的 97%。
TIP來源：Hugging Face：Blog
🚀 產品發佈/更新
1. GLM-5.3上線：AA智能指數60分並列開源第一，成本更低
GLM-5.3 API即日上線，擅長複雜編碼、防禦性網絡安全與長程任務，在AA綜合智能指數中取得60分，與Claude Fable 5、GPT-5.6 Sol等閉源旗艦同級，並與Kimi K3並列開源模型第一。該模型以更小參數規模和更低調用成本降低前沿智能門檻，單任務成本為旗艦模型中最低。API定價與GLM-5.2持平，模型權重將於下週五開源。
TIP來源：公眾號：智譜（GLM）
2. FastMetal 讓 Mac 本地 30 秒生成視頻
一段 5 秒 480P 視頻，完全在 Mac 上生成，耗時 30 秒。無需 CUDA，無需雲端，僅佔用 3.9 GiB 內存。 FastMetal 將 FastWan-QAD 系列帶到 Apple Silicon。DiT、DMD 採樣器和解碼器均通過 MLX 在 Metal 上運行，默認 INT8。 三個模型：1.3B 支持 480P，5B 支持 720P，14B 追求畫質。 📷 博客：http://haoailab.com/blogs/fastmetal 📷 代碼：http://github.com/hao-ai-lab/FastVideo 📷 模型：http://huggingface.co/collections/Fas…
TIP來源：X：Sky Computing Lab (@haoailab)
3. Google 搜索推出 5 項 AI 學習工具
Google 在搜索中推出 5 項 AI 學習工具。AI Mode 的生成式 UI 已全球上線英文版，支持交互式可視化與自定義模擬；練習測驗現已在 AI Overviews 和 AI Mode 中免費提供英文版，覆蓋 ACT、SAT 等標準化考試。
TIP來源：Google Blog：AI
4. Replit 推出由 GPT-5.6 Luna 驅動的 Free Mode，免費構建軟件
Replit 推出由 GPT-5.6 Luna 驅動的 Free Mode，讓用戶無需擔心 token 成本即可將想法轉化為可運行的軟件。該模式藉助 GPT-5.6 系列的價格性能優勢及 OpenAI 近期降價，向數百萬用戶開放，提供快速解答、建議與項目分析，並可在需要更高級推理時切換至 GPT-5.6 Sol，同時保留項目上下文。
TIP來源：OpenAI：官網動態
5. Claude Code v2.1.236 發佈：新增默認模型環境變量與跨會話閒置通知
Claude Code v2.1.236 新增 ANTHROPIC_DEFAULT_MODEL 環境變量，可設置新會話默認模型，且 /model 選擇仍可覆蓋並跨重啟保留。
TIP來源：Claude Code：GitHub Releases
🏛️ 行業動態
1. Anthropic 在網絡關鍵能力時代放緩模型開發：暫停 RL 訓練並強化安全防護
Anthropic 因 OpenAI-Hugging Face 事件及即將推出的 Astra 模型可能達到“關鍵網絡安全能力閾值”，暫時放緩模型擴展速度，包括暫停最新模型兩週的強化學習（RL）訓練。公司已加強研究環境安全要求，包括工作負載隔離、網絡隔離和持續安全測試，並擴大思維鏈監控範圍。涉及 Astra 或網絡模型的工作負載需滿足最嚴格安全標準，部分訓練和評估工作仍處於暫停狀態。
TIP來源：Hacker News 熱門（buzzing.cc 中文翻譯）
2. OpenRouter 宣佈加入 Stripe
OpenRouter 宣佈與 Stripe 合併，以加速推動全球經濟增長。OpenRouter 目前每日處理來自 400 多個 AI 模型的 10+ 萬億 token，服務超 1000 萬開發者與公司，自成立以來推理量每年至少增長 10 倍。合併後 OpenRouter 將繼續以原名、原使命獨立運營，產品與路線圖不變，路由決策仍以用戶利益為先，交易預計在未來數週內完成。
TIP來源：OpenRouter：Announcements
📄 論文研究
1. 突破 DeepSeek-V4-Pro 服務極限：H20 上的多場景優化方法
LMSYS 團隊針對 1.6 萬億參數的 MoE 模型 DeepSeek-V4-Pro，在 H20 GPU 上通過場景化服務配置逼近 B300 性能。單節點 H20-141GB 參考實現達 271 output tokens/s，與 B300 的 383.7 tokens/s 性能差距縮小至 1.42×。
TIP來源：LMSYS：Blog（Chatbot Arena 團隊）
2. 蘋果研究：LLM 類人行為的多維度分析——模型行為、用戶因素與系統提示詞的影響
蘋果機器學習研究團隊對 LLM 的類人行為（如表達想法與情緒、與用戶建立關係、拒絕請求並保持邊界）進行了多維度分析，涵蓋其普遍性、潛在影響與可控性。研究採用 LLM-as-a-judge 與人工評估相結合的方法，樣本規模超過 21,000 條數據，旨在為研究者與實踐者提供關於何時及何種類型類人行為的決策依據。
TIP來源：Apple Machine Learning Research
3. 倒排索引遍歷的 P-完全性：布爾查詢 DAG 的複雜度評估
現代 AI 智能體依賴搜索基礎設施執行神經符號推理，常編譯為深層嵌套的非單調布爾查詢。標準倒排索引查詢評估策略面臨嚴重理論限制：有狀態迭代器模型（Document-at-a-Time）受 NC^1 公式評估結構約束，展開重匯聚邏輯時最壞情況查詢複雜度呈 O(2^|Q|) 指數級爆炸。
TIP來源：Apple Machine Learning Research
💡 技巧與觀點
1. GitHub Copilot app 初學者教程：用 My work 面板管理你的工作
GitHub Copilot app 的 My work 面板將拉取請求和問題集中在一處管理，內置 All、Active、Review requests、Done 四個默認視圖，並支持創建自定義視圖與過濾器。用戶可從問題或拉取請求直接啟動新的智能體會話，也可批量選擇多個條目創建會話，還能在列表視圖和表格視圖間切換，並調整倉庫範圍或新建問題。
TIP來源：GitHub Blog
2. Slack 如何構建人機智能體團隊：對話即知識
Slack 首席產品官 Jaime DeLanghe 分享了將對話轉化為機構知識、構建人機智能體團隊的最佳實踐。她主張默認使用公開頻道，讓智能體從可見對話中學習，並建議將會議、郵件、日曆等上下文連接起來以減少重複勞動。在 Slack 中由 Claude 驅動的智能體負責起草、總結、監控等生產工作，人類負責審查、決策與交接，形成循環協作。
TIP來源：Claude：Blog（網頁）
3. Databricks 如何從單一提示詞設計高效的 Genie Agents
Databricks 發佈指南，探討如何從單一提示詞設計高效的 Genie Agents。文章指出，通用智能體在處理收入等查詢時，往往只會抓取第一個相關數據表，而 Genie Agents 通過更精準的提示詞設計，能更準確地定位和回答用戶問題。該指南旨在幫助開發者優化智能體行為，提升查詢結果的準確性和相關性。
TIP來源：Databricks：Blog
